다음을 사용한 모델 유효성 검사 Ultralytics YOLO

소개

Validation is a critical step in the machine learning pipeline, allowing you to assess the quality of your trained models. Val mode in Ultralytics YOLO11 provides a robust suite of tools and metrics for evaluating the performance of your object detection models. This guide serves as a complete resource for understanding how to effectively use the Val mode to ensure that your models are both accurate and reliable.

Watch: Ultralytics 모드 튜토리얼: 유효성 검사

왜 Ultralytics YOLO 으로 유효성 검사를 해야 하나요?

Here's why using YOLO11's Val mode is advantageous:

• 정밀도: mAP50, mAP75, mAP50-95와 같은 정확한 지표를 통해 모델을 종합적으로 평가할 수 있습니다.
• 편리함: 교육 설정을 기억하는 기본 제공 기능을 활용하여 유효성 검사 프로세스를 간소화합니다.
• 유연성: 동일하거나 다른 데이터 세트와 이미지 크기로 모델을 검증하세요.
• Hyperparameter Tuning: Use validation metrics to fine-tune your model for better performance.

Val 모드의 주요 기능

These are the notable functionalities offered by YOLO11's Val mode:

• 자동화된 설정: 모델이 학습 구성을 기억하여 간편하게 검증할 수 있습니다.
• 멀티 메트릭 지원: 다양한 정확도 지표를 기반으로 모델을 평가할 수 있습니다.
• CLI 및 Python API: 유효성 검사에 대한 선호도에 따라 명령줄 인터페이스 또는 Python API 중에서 선택합니다.
• 데이터 호환성: 학습 단계에서 사용된 데이터 세트는 물론 사용자 지정 데이터 세트와도 원활하게 작동합니다.

사용 예

Validate trained YOLO11n model accuracy on the COCO8 dataset. No arguments are needed as the model 교육 유지 data 및 인수를 모델 속성으로 사용할 수 있습니다. 내보내기 인수의 전체 목록은 아래의 인수 섹션을 참조하세요.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list contains map50-95 of each category

yolo detect val model=yolo11n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

YOLO 모델 유효성 검사에 대한 인수

YOLO 모델을 검증할 때 여러 인수를 미세 조정하여 평가 프로세스를 최적화할 수 있습니다. 이러한 인수는 입력 이미지 크기, 일괄 처리 및 성능 임계값과 같은 측면을 제어합니다. 다음은 유효성 검사 설정을 효과적으로 사용자 지정하는 데 도움이 되는 각 인수에 대한 자세한 분석입니다.

이러한 각 설정은 유효성 검사 프로세스에서 중요한 역할을 하며, YOLO 모델을 사용자 지정하고 효율적으로 평가할 수 있게 해줍니다. 특정 요구 사항과 리소스에 따라 이러한 매개변수를 조정하면 정확도와 성능 간의 최상의 균형을 달성하는 데 도움이 될 수 있습니다.

인수를 사용한 유효성 검사 예제

아래 예제에서는 Python 및 CLI 에서 사용자 지정 인수를 사용한 YOLO 모델 유효성 검사를 보여줍니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Customize validation settings
validation_results = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolo11n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

자주 묻는 질문

How do I validate my YOLO11 model with Ultralytics?

To validate your YOLO11 model, you can use the Val mode provided by Ultralytics. For example, using the Python API, you can load a model and run validation with:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

또는 명령줄 인터페이스(CLI)를 사용할 수도 있습니다:

yolo val model=yolo11n.pt

추가 사용자 지정을 위해 다음과 같은 다양한 인수를 조정할 수 있습니다. imgsz, batch및 conf Python 및 CLI 모드에서 모두 사용할 수 있습니다. 확인 YOLO 모델 유효성 검사에 대한 인수 섹션에서 전체 매개변수 목록을 확인하세요.

What metrics can I get from YOLO11 model validation?

YOLO11 model validation provides several key metrics to assess model performance. These include:

• mAP50(IoU 임계값 0.5에서 평균 평균 정밀도)
• mAP75(IoU 임계값 0.75에서 평균 평균 정밀도)
• mAP50-95(0.5 ~ 0.95의 여러 IoU 임계값에서 평균 평균 정밀도)

Python API를 사용하면 다음과 같이 이러한 메트릭에 액세스할 수 있습니다:

metrics = model.val()  # assumes `model` has been loaded
print(metrics.box.map)  # mAP50-95
print(metrics.box.map50)  # mAP50
print(metrics.box.map75)  # mAP75
print(metrics.box.maps)  # list of mAP50-95 for each category

완전한 성능 평가를 위해서는 이러한 모든 지표를 검토하는 것이 중요합니다. 자세한 내용은 Val 모드의 주요 기능을 참조하세요.

유효성 검사에 Ultralytics YOLO 을 사용하면 어떤 이점이 있나요?

유효성 검사에 Ultralytics YOLO 을 사용하면 몇 가지 이점이 있습니다:

• Precision: YOLO11 offers accurate performance metrics including mAP50, mAP75, and mAP50-95.
• 편의성: 모델이 학습 설정을 기억하므로 검증이 간단합니다.
• 유연성: 동일하거나 다른 데이터 세트 및 이미지 크기에 대해 유효성을 검사할 수 있습니다.
• 하이퍼파라미터 튜닝: 유효성 검사 메트릭은 더 나은 성능을 위해 모델을 미세 조정하는 데 도움이 됩니다.

이러한 이점을 통해 모델을 철저하게 평가하고 우수한 결과를 위해 최적화할 수 있습니다. 이러한 장점에 대해 자세히 알아보려면 Ultralytics YOLO 섹션을 참조하세요.

Can I validate my YOLO11 model using a custom dataset?

Yes, you can validate your YOLO11 model using a custom dataset. Specify the data argument with the path to your dataset configuration file. This file should include paths to the validation data, class names, and other relevant details.

Python 의 예제 :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

CLI 사용 예제 :

yolo val model=yolo11n.pt data=path/to/your/custom_dataset.yaml

유효성 검사 중 사용자 지정 가능한 옵션에 대한 자세한 내용은 인수를 사용한 유효성 검사 예제 섹션을 참조하세요.

How do I save validation results to a JSON file in YOLO11?

유효성 검사 결과를 JSON 파일에 저장하려면 다음과 같이 설정할 수 있습니다. save_json 인수를 True 를 추가해야 합니다. 이는 Python API와 CLI 에서 모두 수행할 수 있습니다.

Python 의 예제 :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Save validation results to JSON
metrics = model.val(save_json=True)

CLI 사용 예제 :

yolo val model=yolo11n.pt save_json=True

이 기능은 특히 추가 분석이나 다른 도구와의 통합에 유용합니다. 자세한 내용은 YOLO 모델 유효성 검사 인수를 참조하세요.

📅 Created 11 months ago ✏️ Updated 20 days ago

댓글